心音是一种常见的人体生理信号,能准确地反映心脏的整体运行状态,通常是判断心脏是否健康的主要依据之一。心音听诊是诊断先心病的主要依据,但听诊容易受到环境和听诊医生等主观因素的影响,而超声心动图是诊断是否患有心脏病的最有效方法,但对于偏远地区的患者来说因设备昂贵难以负担起医疗费用。因此,针对心音进行特征分析处理对先心病的诊断具有重要的意义,同时对实现机器辅助听诊也提供了新的思路,方便于先心病的诊断。心音属于一种非线性、非平稳性随机信号,本文采用分形原理对心音进行分析,充分揭示该类信号的内在特征,着重对心音特征参数的研究,了解心脏的运行机理以及结合正常和异常心音的特点。本文的主要研究工作为:1.心音信号预处理工作。采用小波分析法消除心音的噪声,然后利用希尔伯特变换法提取心音的包络,最后对提取的包络采用采用双阈值法进行分段定位,从而确定心音的心动周期。2.心音信号的经验模式分解(Empirical Mode Decomposition,EMD)。将心音分解成一系列的固有模态函数(Intrinsic Mode Function,IMF),分析各阶IMF分量的瞬时频率特性,准确地反映出原始信号的细节信息,并采用互相关系数法对IMF分量进行筛选,得出IMF1~IMF5主分量。3.心音的特征参数提取。提取预处理后心音的IMF1~IMF5主分量并求出其关联维数作为特征参数,它的变化可以及时描述心音信号内在的变化规则和复杂程度,最后实验表明该参数在心音识别中取得不错效果。4.BP神经网络识别分类。建立BP神经网络模型,对提取的心音特征向量导入到网络中,进行分类识别,得出正常和异常心音的识别率。本文通过对366例先心病患者和正常人心音信号的分析,结果表明关联维数能较好的反映心音的细节信息包括变化规律并突出重点内容,采用BP神经网络识别,有效的对心音分类,对正常和异常心音识别率分别为84%和79.2%,平均识别率为81.6%。